让 Hermes 开口说话：Buzz 接入实战

嘿，朋友们！今天咱们来聊聊怎么让 Hermes 从“打字聊天”进化成“语音对话”。没错，就是那种你对着电脑说话，它回你人声的科幻场景——现在用 Buzz 接入就能轻松搞定。

语音模式到底能干啥？

先别急着装，看看这仨场景哪个戳中你：

命令行语音循环：写代码、查资料时双手不离开键盘，直接说话交互
聊天软件语音回复：Telegram 或 Discord 里，Hermes 用语音回你消息
Discord 语音频道机器人：直接进语音频道，实时对话，跟打电话似的

新手建议按这个顺序来：先搞定文字对话 → 再开语音回复 → 最后玩 Discord 语音频道。

第一步：确认文字模式正常

老规矩，先跑起来：

hermes

然后随便问一句：

你有哪些工具可以用？

如果这都卡壳，先别折腾语音，把基础修好再说。

第二步：安装语音组件

根据你的需求选装：

# 命令行麦克风+播放
cd ~/.hermes/hermes-agent && uv pip install -e ".[voice]"

# 聊天平台支持（Telegram/Discord）
cd ~/.hermes/hermes-agent && uv pip install -e ".[messaging]"

# 高级 ElevenLabs 语音（可选）
cd ~/.hermes/hermes-agent && uv pip install -e ".[tts-premium]"

# 本地 NeuTTS（可选）
python -m pip install -U neutts[all]

# 全都要
cd ~/.hermes/hermes-agent && uv pip install -e ".[all]"

第三步：装系统依赖

macOS：

brew install portaudio ffmpeg opus
brew install espeak-ng

Ubuntu / Debian：

sudo apt install portaudio19-dev ffmpeg libopus0
sudo apt install espeak-ng

这几个家伙各有分工：portaudio 管麦克风，ffmpeg 管音频转换，opus 是 Discord 语音的编解码器，espeak-ng 给本地语音合成用的。

第四步：选语音引擎

最省心的组合：本地语音识别 + 免费 Edge 语音合成。在 ~/.hermes/.env 里加：

# 云语音识别（本地不需要 key）
GROQ_API_KEY=***
VOICE_TOOLS_OPENAI_KEY=***

# 高级语音合成（可选）
ELEVENLABS_API_KEY=***

语音识别推荐：

local：本地处理，隐私好还免费
groq：云转录，速度飞快
openai：付费备选

语音合成推荐：

edge：免费够用，大多数人的首选
neutts：本地运行，不花钱
elevenlabs：音质天花板
openai：中规中矩
mistral：多语言支持好

第五步：推荐配置

voice:
  record_key: "ctrl+b"
  submit_mode: "direct"  # TUI: direct | draft
  max_recording_seconds: 120
  auto_tts: false
  beep_enabled: true
  silence_threshold: 200
  silence_duration: 3.0

stt:
  provider: "local"
  local:
    model: "base"

tts:
  provider: "edge"
  edge:
    voice: "en-US-AriaNeural"

这里有个小技巧：submit_mode 设成 draft 的话，语音转文字后会先放到输入框里，你可以改改再发送，适合不想说错话直接发出去的场合。

实战：命令行语音模式

启动 Hermes 后输入：

/voice on

然后按 Ctrl+B 开始说话，说完停一下，它会自动检测静音并停止录音。接着 Hermes 转文字、给回复，如果开了 TTS 还会直接念出来。

实用命令：

/voice          # 查看状态
/voice on       # 开启
/voice off      # 关闭
/voice tts      # 切换语音回复
/voice status   # 查看详情

好玩的用法：比如你遇到 Docker 权限报错，直接说“我老遇到 docker 权限错误，帮我调试下”，然后继续追问“再读一遍报错”“用大白话解释原因”“给我具体修复方案”——全程不用打字，爽不爽？

调优小贴士

如果觉得语音识别太灵敏或太迟钝，调这两个参数：

voice:
  silence_threshold: 200    # 静音判定阈值，越大越不敏感
  silence_duration: 3.0     # 静音多久算说完，单位秒

好了，现在就去让 Hermes 开口说话吧！有问题随时在社区里喊我。🎤